机器学习 —— 李宏毅机器学习笔记（一）—— 机器学习介绍

专栏开篇：

如今AI大放异彩，有人称其为“第四次工业革命”，人工智能的概念和应用已经逐渐渗入我们的生活，其中机器学习作为人工智能领域的关键技术，获得了越来越多的关注。开此专栏记录自己学习机器学习的过程，也借写博客的方式督促自己的学习，目前的规划是首先学习李宏毅老师的机器学习视频课程，之后进行机器学习实战项目的学习，所以本专栏前半部分以基础知识为主，后半部分以具体项目为主，也希望大家可以留言多多交流，写的不对的地方多多指正。

机器学习的概念：

       人工智能顾名思义就是把人的智慧赋予机器，也是我们想要达成的目标；而机器学习就是帮助我们达成这一目标的方法，手段。深度学习则是机器学习中的一个领域。1980年左右，机器学习得到人们的广泛关注，各种机器学习的算法开始涌现；2010年左右，随着深度学习的兴起，提高了我们对数据特征的提取和抽象的能力，推动了机器学习的进一步发展。

我们有一些常见的机器学习的应用场景，比如语音识别（输入语音，机器将其转化为文字）、图片识别（给定一张图片，可以识别图片中的内容）；在这些场景中，我们输入原始数据（语音、图片），机器返回给我们结果。这和我们数学中的函数表达式十分类似，输入是自变量，返回的结果是因变量，所以某种程度上，我们可以认为机器学习就是寻找一个函数进行拟合。比如以图片识别问题，可以形象化的表示为下图：

那么怎么找到这样一个合适的函数 f 进行拟合？

过程总结起来就是三步：

1. 我们准备许多备选的函数 f ，构成一个集合，也就是机器学习中的模型（Model）。
2. 使用训练数据来衡量这些备选函数的好坏程度。
3. 根据训练数据选出拟合最好的函数，作为最终的拟合函数。

机器学习的分类：

根据训练数据是否有标签，可以分为：

• 监督学习：所有训练数据均具有标签（典型的问题有回归：模型输出的是一个具体数值；分类：模型的输出是某一类别）

在监督学习中，常用的模型种类可以分为：线性模型 和 非线性模型。其中，非线性模型应用更加广泛，表达能力也更强，包括深度学习，支持向量机（SVM），决策树，K-NN算法等。

• 半监督学习：训练数据中，部分具有标签，另一部分没有标签（但是没有标签的数据，对于模型的学习也是有用处的）。
• 迁移学习：使用与当前任务无关的数据（可能有标签，可能没有标签）来促进当前模型的学习。
• 无监督学习：训练数据都没有标签。

无监督学习存在的原因是，现实世界中，为训练数据进行标注成本较高，当训练数据都没有标签时，如果我们想要为数据进行分类，只能根据数据的特征进行划分，比如聚类算法。

• 强化学习：训练数据没有标签，智能体从环境交互中进行学习，来更新自身的策略，根据最终环境的反馈（获得的奖励）来调整自身行为。

如果条件允许的情况下，训练数据均有标签，要尽可能进行监督学习而不是强化学习。